top of page

Καταμέτρηση Φυτών με Drone: Πως λειτουργεί

(Σημείωση: Το άρθρο είναι μετάφραση από σχετική ανάρτηση στο blog της Solvi)



- 11 Οκτωβρίου 2023


Ο καταμέτρηση των φυτών είναι πολύτιμη για τη γεωργική έρευνα. Η γνώση του αριθμού των φυτών σας είναι χρήσιμη για να αξιολογήσετε επιτυχία μιας σποράς, τον προσδιορισμό του φαινοτύπου, την προβολή της απόδοσης και την αξιολόγηση της ποιότητας των σπόρων προμηθευτήκατε.


Έχει όμως σημασία η μεθοδολογία καταμέτρησης; Εξαρτάται από τις αποφάσεις που θέλετε να πάρετε μετά.



Ποιος είναι ο καλύτερος τρόπος για την καταμέτρηση φυτών;


Υπάρχουν δύο βασικές προσεγγίσεις για την καταμέτρηση των φυτών: χειροκίνητη (δειγματοληψία σειρών) και βάσει εικόνων (τροφοδοτούμενη από υπολογιστή). Η μεθοδολογία και οι χρήσεις διαφέρουν πολύ μεταξύ των δύο προσεγγίσεων.



Παραδοσιακή χειροκίνητη καταμέτρηση φυτών


Οι ερευνητές χρησιμοποιούν δειγματοληψία σειρών για να υπολογίσουν με μη αυτόματο τρόπο τους πληθυσμούς φυτών εδώ και χρόνια. Είναι μια κλασική τεχνική που διδάσκεται σε οποιοδήποτε βασικό μάθημα γεωπονίας για καλλιέργειες όπως το σιτάρι ή το καλαμπόκι. Δεδομένου του χρόνου και της προθυμίας σας, μπορείτε να μετρήσετε οποιαδήποτε καλλιέργεια σε οποιοδήποτε στάδιο ανάπτυξης. Και δεν είναι λάθος. Εάν χρειάζεστε μόνο έναν απλό έλεγχο, είναι μια επαρκής επιλογή.



Όταν όμως τα οικονομικά περιθώρια έχουν σημασία (που πάντα έχουν), χρειάζεστε ακριβή δεδομένα σε γρήγορο χρόνο. Κάτι που μπορεί να μην προσφέρει η μη αυτόματη συλλογή δεδομένων.


Σήμερα, η καταμέτρηση φυτών με βάση τις εικόνες προσφέρει γρήγορες καταμετρήσεις φυτών σε όλη την έκταση ενός αγρού, ακόμη και σε πολύ πρώιμα στάδια ανάπτυξης.



Τι είναι η καταμέτρηση φυτών με βάση την εικόνα;


Η λήψη μιας φωτογραφίας αποτυπώνει μια στιγμή στο χρόνο. Με αρκετή προοπτική (και λεπτομέρεια) θα μπορούσατε θεωρητικά να δείτε και να μετρήσετε κάθε φυτό στη φωτογραφία για μια πλήρη επισκόπηση ενός αγρού. Μόνο που αυτό είναι ανέφικτο.


Ευτυχώς, τα μοντέρνα συστήματα απεικόνισης μέσω υπολογιστών μπορούν να εκτελέσουν αυτές τις ενέργειες στον αυτόματα.



Γιατί να χρησιμοποιήσετε καταμετρήσεις φυτών που βασίζονται σε εικόνα;


  1. Ακρίβεια - Η τυχαία δειγματοληψία είναι ακριβώς αυτό - τυχαία. Όλα τα χωράφια παρουσιάζουν παραλλακτικότητα και όλοι οι άνθρωποι είναι επιρρεπείς σε σφάλματα (συχνά στα μαθηματικά!). Η χρήση καταμετρήσεων βάσει εικόνας λαμβάνει υπόψη τη μεταβλητότητα των χωραφιών και εξαλείφει το ανθρώπινο λάθος ή την προκατάληψη.

  2. Πληρότητα - Η καταμέτρηση βάσει εικόνας χρησιμοποιεί ολόκληρη την εικόνα του χωραφιού σας - μικρές σειρές, χοντρές σειρές, ακόμη και αυτές με ζιζάνια.

  3. Ταχύτητα - Με ένα drone στο χέρι, οι καταμετρήσεις φυτών είναι διαθέσιμες σε λίγα λεπτά και μαζί με αυτές και άλλα πλούσια σύνολα δεδομένων, όπως δείκτες βλάστησης, θερμικοί χάρτες κ.α.

  4. Κατανομή Χωραφιού - Επειδή εξετάζετε ολόκληρο το χωράφι σας, μπορείτε να εντοπίσετε τα σχετικά δυνατά και αδύνατα σημεία απόδοσης για περαιτέρω έρευνα ή διαχείριση.

  5. Τεκμηρίωση - Οι καταμετρήσεις μέσω εικόνων δημιουργούν μια οπτική καταγραφή του χωραφιού σας για συγκρίσεις από σαιζόν σε σαιζόν ή μεταξύ χωραφιών. Είτε έτσι είτε αλλιώς, δημιουργείτε αρχεία στα οποία είναι εύκολο να έχετε πρόσβαση και να τα αναλύσετε ακόμα & αργότερα μέσα στη σαιζόν.

  6. Επικαλύψεις δεδομένων - Επειδή οι εικόνες από τα χωράφια είναι γεωεντοπισμένες, μπορούν να επικαλυφθούν με πρόσθετα δεδομένα όπως τοπογραφικά και δεδομένα απόδοσης.

Εφόσον επιλέξετε την καταμέτρηση βάσει εικόνας, θα χρειαστείτε μια απεικόνιση του χωραφιού σας για να ξεκινήσετε.



Drones εναντίον δορυφόρων για καταμετρήσεις φυτών


Τα drones και οι δορυφόροι μπορούν να αποδώσουν πλήρεις απεικονίσεις χωραφιών, αλλά υπάρχουν ορισμένες βασικές διαφορές που είναι κρίσιμες εάν χρειάζεται να εξαγάγετε δεδομένα από αυτές τις εικόνες.



Ανάλυση εικόνας


Η καταμέτρηση των φυτών απαιτεί εξαιρετικά υψηλή ανάλυση για τη διάκριση των φυτών μεταξύ τους & μεταξύ φυτών και άλλων αντικειμένων, όπως τα ζιζάνια. Στο καλαμπόκι για παράδειγμα, στο στάδιο VE-V1, θα χρειαστείτε τουλάχιστον 0,5-1 cm/pixel για να ξεχωρίσετε τα φυτά από το έδαφος.


Τα δορυφορικά δεδομένα μπορούν, στην καλύτερη περίπτωση, να παρέχουν ανάλυση 30 cm/px, η οποία απλά δεν είναι αρκετά υψηλή για αυτήν την περίπτωση χρήσης.


Η ανάλυση εικόνας drone, από την άλλη πλευρά, εξαρτάται απλώς από τον αισθητήρα και το ύψος πτήσης σας. Ένα τυπικό drone με κάμερα RGB που πετά στα 20-30 μέτρα παρέχει εικόνες με ανάλυση < 1 cm/px.



Επικαιρότητα


Οι δορυφορικές εικόνες είναι διαθέσιμες μόνο σε συγκεκριμένα χρονικά διαστήματα, όταν δηλαδή ο δορυφόρος περνάει πάνω από το χωράφι σας. Εάν αυτός ο χρόνος δεν ευθυγραμμίζεται με τις ανάγκες σας - ή τον καιρό - δεν έχετε τύχη. Οι εικόνες από drone μπορούν να καταγραφούν σχεδόν οποιαδήποτε χρονική στιγμή και ακόμη να προγραμματιστούν εκ νέου ή να ληφθούν ξανά, εάν ο καιρός δεν συνεργάζεται. Σαφώς, αυτό είναι ένα πλεονέκτημα.



Εφαρμογές τηλεφώνου


Υπάρχουν ακόμη και εφαρμογές για smartphone που καταμετρούν φυτά από φωτογραφίες που τραβήχτηκαν σε διαφορετικές τοποθεσίες χωραφιών. Ενώ όμως χρησιμοποιούν μέτρηση βάσει εικόνας, βασίζονται σε τυχαία δειγματοληψία και είναι μόλις ένα βήμα πάνω από τη χειροκίνητη μέτρηση - εάν η φωτογραφία και ο αλγόριθμος που χρησιμοποιούν είναι καλοί.



Ποια πλατφόρμα μετρήσεων φυτών πρέπει να χρησιμοποιήσετε;


Δεν είναι όλες οι καταμετρήσεις ανάλυσης εικόνων ίδιες. Υπάρχουν δύο βασικές προσεγγίσεις: η υπολογιστική όραση και η μηχανική μάθηση. Ενώ και οι δύο χρησιμοποιούν εικόνες drone, η μεθοδολογία είναι διαφορετική και μπορεί να επηρεάσει δραματικά τα αποτελέσματα.



Τι είναι το Computer Vision for Plant Counting;


Η υπολογιστική όραση επιτρέπει στους υπολογιστές να αναγνωρίζουν και να ερμηνεύουν οπτικές πληροφορίες παρόμοιες με την ανθρώπινη όραση, όπως από μια φωτογραφία. Επιτρέπει στα μηχανήματα να σαρώνουν εικόνες, να αναγνωρίζουν αντικείμενα, να ανιχνεύουν μοτίβα και να εξάγουν πληροφορίες από οπτικά δεδομένα χρησιμοποιώντας μια σειρά αλγορίθμων επεξεργασίας εικόνας για εύρεση σχημάτων, ανίχνευση ακμών, αφαίρεση θορύβου φόντου κ.λπ.


Για την καταμέτρηση φυτών, οι πλατφόρμες που χρησιμοποιούν υπολογιστική όραση συχνά εξαρτώνται από έναν δείκτη πρασίνου, όπως ο Υπερβολικός Δείκτης Πράσινου (ExG), ο οποίος μπορεί να είναι αποτελεσματικός όταν υπάρχει σαφής διαφορά χρώματος με το φόντο (χώμα). Χρησιμοποιώντας αυτό ή έναν παρόμοιο δείκτη, οι χρήστες μπορούν να βρουν ένα όριο που «αφαιρεί» το χώμα ή άλλα μη πράσινα αντικείμενα από την εικόνα, καθιστώντας δυνατή την εξαγωγή σχημάτων φυτών και τη δημιουργία μετρήσεων. Όμως σε μεταγενέστερα στάδια ανάπτυξης, μη πράσινα φυτά ή περιοχές με ζιζάνια ή άλλα πράσινα αντικείμενα, η μέθοδος μπορεί να αποτύχει.


Μία από τις κοινές προσεγγίσεις για την οριοθέτηση των φυτών από το φόντο είναι η χρήση χειροκίνητης τιμής κατωφλίου ενός δείκτη βλάστησης όπως το VARI ή το ExG ή πιο αυτόματη μέθοδος Outsu.

Για παράδειγμα, σε αυτό το βίντεο από τη MicaSense, οι μετρήσεις δέντρων δημιουργούνται χρησιμοποιώντας μια σειρά διαφορετικών βημάτων επεξεργασίας εικόνας:


  • Υπολογίσμος του δείκτη βλάστησης OSAVI

  • Ταξινόμηση ανά επίπεδο OSAVI, ώστε τα εικονοστοιχεία με τιμές πάνω από συγκεκριμένο όριο να εκχωρούνται 1 και τα υπόλοιπα - 0

  • Αφαίρεση θορύβου (μικρά pixel) χρησιμοποιώντας τον αλγόριθμο Sieve

  • Διανυσματοποιήση (μετατροπή τιμών ράστερ σε πολύγωνα) σε φιλτραρισμένα αποτελέσματα

  • Χρήση του εργαλείου buffer για να συγχώνευση μικρότερων πολυγώνων που ανήκουν στο ίδιο δέντρο

  • Μετατροπή των πολυγώνων σε σημεία εξάγοντας κεντροειδή

  • Χρήση μιας σειράς πρόσθετων βημάτων μετά την επεξεργασία για τον εντοπισμό και τον καθαρισμό των ψευδώς θετικών στοιχείων

Χρησιμοποιώντας μια σειρά βημάτων όπως αυτά που περιγράφονται παραπάνω, είναι δυνατό να δημιουργηθεί μια ροή εργασίας που να λειτουργεί σχετικά καλά σε ένα συγκεκριμένο σύνολο καλλιεργειών σε ορισμένα στάδια ανάπτυξης. Αλλά η προσθήκη υποστήριξης για νέες, οπτικά διακριτές καλλιέργειες απαιτεί συχνά έναν διαφορετικό αλγόριθμο, καθιστώντας την μια άκαμπτη και δαπανηρή επιλογή που απαιτεί βαθιά τεχνογνωσία στην όραση υπολογιστή.



Πώς χρησιμοποιείται η Μηχανική Μάθηση για την Καταμέτρηση Φυτών;


Η μηχανική μάθηση είναι μια μορφή τεχνητής νοημοσύνης που επιτρέπει στους υπολογιστές να μαθαίνουν από δεδομένα και να λαμβάνουν επαναληπτικές αποφάσεις χωρίς να είναι ρητά προγραμματισμένοι για μια συγκεκριμένη καλλιέργεια ή στάδιο ανάπτυξης. Χρησιμοποιεί αλγόριθμους υπολογιστών για να αναλύει και να αναγνωρίζει μοτίβα σε μεγάλα σύνολα δεδομένων εικόνων και συγκεντρώνει αυτά τα μοτίβα σε μοντέλα που μπορούν αργότερα να χρησιμοποιηθούν για την αναγνώριση αντικειμένων ή φυτών σε νέες εικόνες.


Σε αντίθεση με την υπολογιστική όραση, τα μοντέλα μηχανικής μάθησης δεν απαιτούν αλλαγές αλγορίθμων ή κώδικα για να προσαρμοστούν σε νέους τύπους καλλιεργειών ή στάδια ανάπτυξης. Αντίθετα, αυτό μπορεί να επιτευχθεί με την προσθήκη περισσότερων δεδομένων, παραδειγμάτων και την επανεκπαίδευση των μοντέλων, κάτι που, με το κατάλληλο εργαλείο, μπορεί να κάνει ο καθένας χωρίς να έχει πτυχίο μηχανικής μάθησης!


Ο χρήστης ουσιαστικά διδάσκει στο μοντέλο, με αυξανόμενη ακρίβεια, στο τι να αναζητήσει.


Η Μηχανική Εκμάθηση χρησιμοποιεί εκατοντάδες ή χιλιάδες εικόνες για να εξαγάγει αυτόματα ξεχωριστό μοτίβο σχετικά με συγκεκριμένο τύπο περικοπής και να το συγκεντρώνει σε ένα μοντέλο που μπορεί στη συνέχεια να χρησιμοποιηθεί σε παρόμοιες εικόνες. Τα μοντέλα μπορούν να βελτιωθούν με την πάροδο του χρόνου με απλή προσθήκη περισσότερων δεδομένων.


Το Plant Counts της Solvi με AI είναι η Μηχανική Μάθηση για Agricultural Analytics


Η Solvi χρησιμοποιεί προσέγγιση μηχανικής μάθησης και έχει αναπτύξει το εργαλείο PlantAI που διευκολύνει την προσθήκη παραδειγμάτων και την εκπαίδευση προσαρμοσμένων μοντέλων με μερικά απλά κλικ.


Δείτε πως δουλεύει:


1. Δημιουργήστε ένα δείγμα

Αφού μεταφορτωθούν και συρραφούν οι εικόνες του χωραφιού σας στην πλατφόρμα που βασίζεται στο cloud της Solvi, ξεκινάτε προσδιορίζοντας ποια φυτά θέλετε να καταμετρηθούν. Επιλέξτε τουλάχιστον δέκα φυτά (αλλά όσο περισσότερα τόσο καλύτερα) στην εικόνα κάνοντας κλικ και σύροντας για να σχηματίσετε έναν κύκλο γύρω από κάθε φυτό. Επιλέξτε παραδείγματα σε διαφορετικές σειρές, φωτισμό και μεγέθη για να εμφανίσετε το εύρος των αποδεκτών αποτελεσμάτων.


Από μερικά μικρά υποδείγματα του χωραφιού με περιγραφόμενα φυτά, το εργαλείο PlantAI θα δημιουργήσει δεδομένα δοκιμής και θα εκπαιδεύσει ένα μοντέλο που θα είναι προσαρμοσμένο στο συγκεκριμένο στάδιο καλλιέργειας και ανάπτυξης του χρήστη.

Από μερικά μικρά υποδείγματα του χωραφιού με περιγραφόμενα φυτά, το εργαλείο PlantAI θα δημιουργήσει δεδομένα δοκιμής και θα εκπαιδεύσει ένα μοντέλο που θα είναι προσαρμοσμένο στο συγκεκριμένο στάδιο καλλιέργειας και ανάπτυξης του χρήστη.


2. Ελέγξτε τα αρχικά αποτελέσματα

Το εργαλείο PlantAI θα εκπαιδεύσει στη συνέχεια ένα προσαρμοσμένο μοντέλο τεχνητής νοημοσύνης για το συγκεκριμένο πεδίο του χρήστη και στη συνέχεια θα αντιστοιχίσει παρόμοια φυτά στο χωράφι με βάση το μοναδικό οπτικό μοτίβο των φυτών, συμπεριλαμβανομένου του σχήματος, του μεγέθους, του χρώματος κ.λπ.


Ο χάρτης πεδίου θα εμφανίσει μια κουκκίδα ή ένα περίγραμμα σε κάθε καταμετρημένο φυτό, έτσι ώστε ο χρήστης να μπορεί να αξιολογήσει την ακρίβεια των αποτελεσμάτων. Τα αρχικά αποτελέσματα μπορεί να είναι ακριβή ή να χρειάζονται κάποια βελτίωση. Εκεί έρχεται η μηχανική μάθηση.


Μετά από κάθε επανάληψη οι χρήστες μπορούν να αξιολογήσουν την ακρίβεια και να καθορίσουν εάν χρειάζονται περισσότερα παραδείγματα.

3. Επαναλάβετε για βελτίωση

Με την επανάληψη της διαδικασίας, η επιλογή πρόσθετων φυτών σε μια μεγάλη γκάμα παραδειγμάτων μπορεί να βοηθήσει στη βελτίωση των αποτελεσμάτων. Κάθε επανάληψη δίνει στα μοντέλα Solvi μια βαθμίδα εκπαίδευσης που βελτιώνει και ενισχύει τα αποτελέσματα.


Ο αριθμός των επαναλήψεων που θα χρειαστεί να κάνετε εξαρτάται από το στάδιο ανάπτυξης των φυτών, τη σαφήνεια της εικόνας, τα αντικρουόμενα αντικείμενα του αγρού και τις ανάγκες σας. Κάντε λίγες ή πολλές επαναλήψεις μέχρι να είστε ικανοποιημένοι με τα αποτελέσματα. Στις περισσότερες περιπτώσεις, μπορεί να επιτευχθεί μια καλή ακρίβεια μετά από μόλις 2-3 επαναλήψεις.


Μετά από μερικές επαναλήψεις, το εργαλείο PlantAI θα δημιουργήσει όχι μόνο μετρήσεις αλλά και μετρήσεις σε επίπεδο φυτού, όπως το μέγεθος και η υγεία.


Όταν οι μετρήσεις των φυτών μηχανικής εκμάθησης είναι απαραίτητες


Ορισμένες καλλιέργειες και χρήσεις απαιτούν εξελιγμένες μεθόδους καταμέτρησης φυτών & εδώ είναι που η μηχανική εκμάθηση γίνεται απαραίτητη.


  • Καλλιέργειες με μη πράσινα φύλλα (ιδιαίτερα μαρούλια) ή ελάχιστο θόλο φύλλων στα αρχικά στάδια ανάπτυξης

  • Καλλιέργειες σε μεταγενέστερα στάδια ανάπτυξης όπου το πράσινο μπορεί να είναι πανταχού παρόν

  • Χωράφια με άφθονα ζιζάνια, σκιές, βράχια ή άλλα μη φυτικά αντικείμενα

  • Περιβόλια ή αμπέλια με γρασίδι ανάμεσα στις σειρές

  • Όταν χρειάζεστε ή θέλετε πρόσθετα δεδομένα σε επίπεδο φυτού

  • Οποτεδήποτε η υψηλή ακρίβεια είναι απαραίτητη


Καταμέτρηση από το χρήστη ή από τη Solvi (Done-For-You)


Το σύστημα εκπαίδευσης του μοντέλου με-απλά-κλικ της Solvi είναι απλό στη χρήση του & οι καταμετρήσεις φυτών είναι γρήγορα διαθέσιμες, συνήθως σε λιγότερο από μία ώρα. Αλλά μερικές φορές, δεν μπορείτε καν να αφιερώσετε αυτόν τον χρόνο.


Όταν πιέζεστε για χρόνο ή έχετε μεγάλο όγκο μετρήσεων για εκτέλεση, η Solvi προσφέρει την υπηρεσία Done-For-You. Η Solvi θα εκπαιδεύσει τα μοντέλα σας, θα βελτιώσει τα δεδομένα σας για την υψηλότερη ακρίβεια και θα σας στείλει τα αποτελέσματα, συνήθως εντός 24 ωρών.



Πλεονεκτήματα των καταμετρήσεων με τεχνητή νοημοσύνη της Solvi

  • Συγκεκριμένα - Ολόκληρη η πλατφόρμα της Solvi σχεδιάστηκε και κατασκευάστηκε αποκλειστικά για αγροτική χρήση. Τα τελευταία επτά χρόνια, έχουν αναλυθεί δεκάδες χιλιάδες χωράφια με τους πιο εξελιγμένους αλγόριθμους.

  • Ακριβές - Οι πελάτες της Solvi αναφέρουν ποσοστά ακρίβειας έως και 98% σε καλλιέργειες λαχανικών.

  • Προσαρμόσιμο - Μόνο η Solvi προσφέρει μοντέλο που μπορεί να εκπαιδευτεί από τον ίδιο το χρήστη & του επιτρέπει να ορίζει και να προσαρμόζει τις παραμέτρους καταμέτρησης στις ανάγκες του.

  • Ευέλικτο - Επιλέγετε το επίπεδο λεπτομέρειάς που σας εξυπηρετεί: βασικές μετρήσεις ή μετρήσεις με τη βοήθεια PlantAI με δεδομένα σε επίπεδο φυτού.

  • Εύκολη - Η εκπαίδευση μοντέλου με-απλά-κλικ μαθαίνεται γρήγορα. Παρέχεται επίσης απομακρυσμένη υποστήριξη και υποστήριξη προγραμματιστών.

  • Γρήγορη - Οι μετρήσεις που δημιουργούνται από τους ίδιους τους χρήστες είναι διαθέσιμες σε λιγότερο από μία ώρα ενώ οι μετρήσεις που ανατίθενται σε εξωτερικούς συνεργάτες πραγματοποιούνται μέσα σε μία ημέρα.



Αγροτική Πραγματογνωμοσύνη


Στη Solvi, έχουν μετρήσει χιλιάδες χωράφια για καλλιεργητές, γεωπόνους και γεωπόνους ερευνητές σε όλο τον κόσμο. Οι εξελιγμένοι αλγόριθμοι μέτρησης φυτών της Solvi κατασκευάστηκαν από και για τη γεωργική έρευνα, καθιστώντας τους εξαιρετικά ακριβείς.


Κορυφαίοι οργανισμοί αναπαραγωγής και έρευνας, συμπεριλαμβανομένων των Rijk Zwaan, Agrovista, Nordic Beet Research, Σουηδικού Πανεπιστημίου Γεωργικών Επιστημών και άλλων, χρησιμοποιούν τα εργαλεία ραφής εικόνας και ανάλυσης της Solvi για να βελτιώσουν την ταχύτητα και την ακρίβειά τους στη συλλογή δεδομένων.


Θέλετε να εξαγάγετε δεδομένα σε επίπεδο φυτού από τις εικόνες σας από drone; Δοκιμάστε να μετρήσετε ολόκληρο το πεδίο σας με το Solvi δωρεάν σήμερα.


Διαβάστε εδώ περισσότερα για το Solvi Plant Count.

 

Θέλετε να μάθετε περισσότερα;

Μάθετε πώς να δημιουργήσετε ένα επιτυχημένο πρόγραμμα απεικόνισης drone χωρίς επιστημονικές γνώσεις


 

Μάθετε περισσότερα για την ολοκληρωμένη λύση της Solvi για επισκόπηση καλλιεργειών με drone καλώντας μας στο σήμερα κιόλας 2610.641641 ή στέλνοντάς μας ένα mail στο info@prapopoulos.com.


Η ΠΡΑΠΟΠΟΥΛΟΣ είναι εξουσιοδοτημένος αντιπρόσωπος για τη Solvi στην Ελλάδα.


Comentários


bottom of page